er zijn enkele conclusies die we uit deze getallen kunnen trekken. Ten eerste, ze zijn allemaal vrij vergelijkbaar, alleen variërend tussen 0.5735 en 0.6674. We weten dat de jaar-tot-jaar voorspelbaarheid bijgevolg relatief sterk is voor elke metriek. Ten tweede, EV op FB/LD in een jaar zal meer variatie in EV op FB/LD in de volgende dan een van de andere Statcast metrics verklaren. Het is de “plakkerigste” van allemaal.

derde, hoewel Brls/BBE% en Brls / PA% vergelijkbaar lijken, zijn ze eigenlijk heel verschillend. Deze verschillen worden weerspiegeld in het feit dat Brls/BBE% is meer voorspellend van zichzelf over de seizoenen. Brls / BBE% beschouwt alleen vaten op batted-ball events, terwijl Brls / PA% voor vaten rekening houdt als een functie van alle plaatverschijnselen. Aangezien er aanzienlijk meer resultaten zijn dan alleen batted-ball-evenementen, is het niet verwonderlijk dat Brls / PA% onderhevig is aan meer fluctuaties in de seizoenen. Als een slagman zijn strikeout of walk rates verbetert, zal zijn Brls/PA% het volgende jaar veranderen, terwijl zijn Brls / BBE% onaangetast blijft.

vierde, hoewel niet weergegeven in bovenstaande tabel, stabiliseert elk van deze statistieken na ongeveer 50 ballen in het spel. We weten dit uit een aantal grote onderzoek door Russel Carleton, die u kunt lezen hier en hier. Deze Statcast metrics zijn allemaal afleidingen van LA, EV, en vaten. Russel Carleton vond dat deze drie statistieken stabiliseren na 50 ballen in het spel (ongeveer 18 wedstrijden gespeeld).

nu we weten hoe kleverig elke metriek is en hoe snel ze stabiliseren, weten we in welke mate we er zeker van kunnen zijn dat we ze gebruiken. Het is tijd om ze te regrimeren tegen HR / FB % en ISO.

Hard%

eerst had ik een regelvariabele nodig. Een waarmee we de resultaten van onze regressies konden vergelijken om de relatieve voorspellende waarde van Statcast power metrics te bepalen. Ik geregeld op harde%, die wordt gemeld op Fangraphs speler pagina ‘ s en verzameld door Baseball Info Solutions. Volgens Fangraphs:

sinds 2010 registreerden de video scouts de tijd dat de bal in de lucht was, de landingsplek en het type bal (fly ball, ground ball, liner, etc) en het BIS algoritme bepaalt of de bal zacht, medium of hard geraakt was. Helaas is het exacte algoritme (de exacte snijpunten/methodologie) eigendom van BIS en kunnen we niet precies delen wat hard contact is, maar de berekening wordt gemaakt op basis van hangtijd, locatie en algemeen traject.

jarenlang is Hard% Geciteerd om te bepalen of een speler hoge home run totalen zal behouden. Dus, voor dezelfde steekproef van hitters van 2015-18, ik regresseerde Hard% tegen HR / FB% en ISO om de waarheidsgetrouwheid van die veronderstelling te testen.

zoals u kunt zien, heeft Hard% een relatief sterke relatie met zowel HR / FB% als ISO. Onthoud, we onderscheiden de determinatiecoëfficiënt, die lager zal zijn dan de Pearson correlatiecoëfficiënt (r). Gezien het aantal onbekende variabelen die van invloed zijn op HR/FB% of ISO van een speler (bijvoorbeeld, ballpark, lanceerhoek, kwaliteit van de tegenstander pitcher, enz.), een r^2 van 0.44 of 0.48 is vrij sterk. Anders gezegd, 44% van de variantie in HR/FB%, bijvoorbeeld, is voorspelbaar van Hard%.

gemiddelde Lanceringshoek

nu we een controlegroep hebben, kunnen we de mate meten waarin Statcast metrics voorspellend zijn voor onze ruwe vermogen metrics.

enerzijds zien we dat, op zichzelf, gemiddelde LA niet voorspellend is voor HR/FB% gegeven de r^2 van 0,05852. Intuïtief is dit logisch. Of een slagman meer of minder omhoog gaat, doet er niet toe of hij zijn vliegballen uit het park kan bewegen. Het nemen van de vierkantswortel van 0,05852 levert een 0,2419 Pearson correlatiecoëfficiënt op, wat betekent dat de gemiddelde LA en HR/FB% positief gecorreleerd zijn aan een graad. Dit is ook logisch. Hitters die meer verheffen hebben de neiging om macht hitters die de mogelijkheid hebben om home runs uit hun vlieg ballen te creëren. Maar optillen op zichzelf zorgt niet voor meer homeruns op vliegballen.

aan de andere kant is gemiddelde LA meer voorspellend voor ISO. ISO is een maat voor de totale extra honkslagen ten opzichte van de totale slagbeurten. Een slagman die meer stijgt heeft meer kans om een groter percentage van zijn totale slagbeurten te laten resulteren in extra-base dit.

gemiddelde Afslagsnelheid

gemiddelde EV is een ander verhaal. Ik had verwacht dat het meer voorspellend zou zijn voor HR/FB% en ISO omdat het een maatstaf is voor de ruwe kracht van hitter, in tegenstelling tot de gemiddelde LA, die een maatstaf is voor de aanpak van een hitter.

Het is niet verwonderlijk dat mijn verwachting wordt bevestigd in de regressies. Met vergelijkbare r^2-waarden als Hard% is gemiddelde EV ongeveer even nuttig voor het voorspellen van ruw vermogen (gemeten door HR/FB% en ISO) als Hard%. Mijn gok is de reden dat het niet beter is dan Hard% is dat, net als Hard%, het is het meten van een hitter ‘ s EV op grond ballen evenals vliegen ballen en line drives. Dit, op zijn beurt, drukt de voorspellende waarde van de gemiddelde EV als een macht metriek.

afzonderlijk is het waarschijnlijk dat gemiddelde EV waarschijnlijk meer voorspellend is voor ISO dan HR/FB%, omdat het opnemen van EV op grondballen eigenlijk nuttig is voor het voorspellen van dubbelspel, omdat hard-hit grondballen gras kunnen vinden in het buitenveld voor dubbelspel. In tegenstelling tot HR/FB% omvat ISO dubbel en driedubbel.

Exit Velocity on Fly Balls and Line Drives

vervolgens wilde ik EV onderzoeken op FB/LD. Vanaf het begin verwachtte ik dat EV op FB/LD een van de beste, zo niet de beste zou zijn in het voorspellen van HR/FB% en ISO. En waarom niet? Het is gewoon een maat van hoe snel een slagman ‘ s fly ballen en line drives laat zijn knuppel. Hoe sneller ze reizen, hoe groter de kans dat ze homeruns worden. Dus, de maatstaf moet voorspellend zijn van ten minste HR / FB%, wat slechts een maat is van hoe vaak vliegballen homeruns worden.

mijn verwachting wordt gedeeltelijk weerspiegeld in de r^2 waarden hierboven. Voor een ding, 0.6175 is een sterk resultaat. Vooral ten opzichte van onze control metric (Hard%) en de andere Statcast metrics die we tot nu toe hebben getest. Zo kunt u comfortabel kijken naar een hitter ‘ s EV op FB / LD om te zien of zijn HR/FB% zal teruglopen.

hetzelfde kan echter niet betrouwbaar worden gezegd voor ISO. De reden is waarschijnlijk dat ISO ‘ s noemer alle slagbeurten omvat en daarom veegt in strikeouts en grondballen. Toch is een r^2 van 0.5160 een mooie herinnering dat een hitter ‘ s EV op FB / LD is belangrijk voor zowel fantasy baseball en real-life baseball. Andrew Perpetua zei het het beste twee jaar geleden: Exit snelheid overtroeft lanceringshoek.

Hard-Hit Rate

Ik heb veel discussie gezien rond HH% en de waarde ervan als een hulpmiddel voor het schatten van het vermogenspotentieel van een hitter. Ik was sceptisch omdat HH%, net als de gemiddelde EV, loops in alle geslagen-bal types, met inbegrip van gemalen ballen.

zoals u kunt zien, met een r^2 van 0,5343, is HH% meer voorspellend voor HR/FB% dan Hard%, gemiddelde LA en gemiddelde EV, maar niet zo voorspellend voor HR/FB% als EV op FB/LD. Het is nog minder voorspellend voor ISO dan Hard%.

Ik heb de bewering gehoord dat HH% nuttig is omdat als een slagman een swingverandering zou maken en meer zou verheffen, we zouden willen weten wat er gebeurd is met die grondballen die nu fly balls en line drives worden, en HH% vangt de EV op die grondballen. Mijn antwoord daarop zou zijn dat we gewoon naar EV moeten kijken op FB/LD, omdat het een betere weergave is van wat er zou gebeuren als die grondballen zouden veranderen in vliegballen of lijnaandrijvingen. Dit wordt weerspiegeld in de regressies.

Dat gezegd hebbende, heb ik ook de bewering gehoord dat HH% sterk correleert met xwOBA en xwOBAcon en daarom een betere maatstaf kan zijn voor het ware talent van een slagman vanuit een echt honkbalperspectief. Maar die bewering valt buiten het toepassingsgebied van dit artikel.

Brls/BBE% & Brls/PA%

Ik besloot Brls/BBE% en Brls/PA% in tandem te behandelen omdat het vergelijkbare metingen zijn met iets verschillende noemers. De eerste beschouwt alleen vaten op ballen in het spel, terwijl de laatste ze beschouwt als een functie van alle plaat verschijningen. Wat is de betere maatstaf voor ruwe kracht?

beginnend met Brls/BBE%, zien we dat de r^2 tot zowel HR/FB% als ISO zeer hoog is. Het is hoger dan enig resultaat dat we tot nu toe hebben gehad. Zoals je zo zult zien, is het onze beste enkele maatstaf om te voorspellen hoe goed een slagman zijn vliegballen uit het park kan bewegen, of dat zijn HR/FB% zal teruglopen.

de reden dat het beter is dan EV op FB/LD is omdat het alleen die ballen in het spel vangt die zo hard worden geraakt dat het zeer waarschijnlijk homeruns worden, terwijl EV op FB/LD een maat is voor het gemiddelde vermogen en daarom kan worden scheefgetrokken door uitschieters die slecht of krachtig FB / LD raken.

dus, zoals de regressie ons vertelt, hoe meer een hitter ballen kan produceren in het spel bij de perfecte LA-en EV-combinaties (d.w.z., hoe meer vaten hij produceert), hoe groter de kans dat hij homeruns schiet. En de LA band beschouwd door Brls / BBE% is nauw afgestemd op de beste power launch hoeken, dus het is niet vegen in alle fly balls en line drives zoals EV op FB/LD. Ik haat het toe te geven wanneer ik het mis heb, maar Brls/BBE% is meer voorspellend voor zowel HR/FB% en ISO dan EV op FB/LD.

hetzelfde geldt voor Brls/PA%. Het is iets minder voorspellend van HR / FB% omdat, in tegenstelling tot Brls/BBE%, het meer beschouwt dan alleen ballen in het spel, en HR/FB % is gewoon een maat van de macht op vliegballen (een soort bal in het spel). And it’s more predictive of ISO because, unlike Brls/BBE%, it considers strikeouts, and ISO does too.

In sum, we have the following r^2 values:

Na het bereiken van de 50 bal in het spel stabilisatie punten, uw beste inzet is om te kijken naar Brls/BBE% te zien als een stootje HR/FB% duurzaam is, en Brls/PA% voor ISO. Vergeet niet, HR / FB % en ISO zijn de beste uitgangen die we hebben om de energieproductie van een hitter te meten, omdat ze elimineren veel van het lawaai (bijv., wandelingen, foul outs, HBPs; strikeouts worden ook geëlimineerd uit HR / FB%) van andere vermogensmetingen (bijvoorbeeld HR / XBH totalen of HR / PA%). Dus, Brls / BBE % en Brls / PA % zijn de beste ruwe stroom ingangen beschikbaar.

meerdere regressies

met dat alles gezegd, Ik wilde mijn werk controleren met meerdere regressies. Met andere woorden, het testen van twee of meer onafhankelijke variabelen (bijvoorbeeld gemiddelde LA en gemiddelde EV) tegen één afhankelijke variabele (bijvoorbeeld HR/FB%). Misschien waren twee Statcast metrics samen meer voorspellend voor HR / FB% en ISO dan ze afzonderlijk waren.

om te beginnen onderzocht ik alle zes Statcast metrics samen om hun gecombineerde voorspellende effect voor HR/FB% en ISO te zien. Dat leverde een r^2 op van 0,7615 met HR / FB% en 0,7634 met ISO. Met andere woorden, wanneer gecombineerd, voorspelden alle zes Statcast metrics ongeveer 76% van de variantie in de HR/FB% en ISO monsters.

aangezien Brls/BBE% en Brls/PA% ongeveer 73% van de variantie in HR / FB% en ISO-monsters voorspelden, voegde geen enkele andere Statcast-metriek op zichzelf veel voorspellende waarde toe. Bijvoorbeeld, het toevoegen van de gemiddelde lanceringshoek aan deze twee metrics duwde de r^2 met HR / FB % en ISO tot 0,7510 en 0.7578, respectievelijk. Maar dat is niet veel beter. Geen enkele andere combinatie van twee Statcast metrics bracht de naald zelfs zo hoog.

daarom zijn Brls/BBE% en Brls / PA% krachtige maatstaven. Ze zijn ook behoorlijk plakkerig van jaar tot jaar. Kijken over de rest van de Statcast leaderboards eigenlijk kan je niet vertellen wat je niet zou krijgen van hen, en kan misleidend zijn. Wetende dat we eigenlijk alleen maar naar Brls/BBE% moeten kijken om HR/FB% te voorspellen, laten we wat we geleerd hebben in de praktijk brengen.

een paar hitters die we kunnen identificeren die te wijten zijn aan HR / FB % verbetering omvatten: Adalberto Mondesi (9,1 uur / FB%, 17,3 Brls / BBE%), Avisail Garcia (11,8 uur/FB%, 16,7 Brls/BBE%) en Freddie Freeman (5,6 uur/FB%, 15,1 Brls/BB%). Enkele van de verrassende HR/FB% leiders die naar mijn mening hun verhoogde HR/FB-tarieven hebben verdiend zijn: Mitch Moreland (27,8 HR/FB%, 20,9 Brls/BBE%), Luke Voit (26,7 HR/FB%, 20,9 Brls/BBE%), en Yoan Moncada (22,7 HR/FB%, 19,2 Brls/BBE%).

Swing veranderingen en Statcast

ten slotte wilde ik onderzoeken welke Statcast metriek het nuttigst zou zijn voor het overdragen van een power breakout gebaseerd op een swing verandering. Zoals we net hebben geleerd, succes in de energie-afdeling hangt af van betere brls/BBE% en Brls/PA% merken. Is er een manier waarop we hitters kunnen identificeren die kunnen verbeteren op deze en, op zijn beurt, verbeteren op HR/FB% en ISO? Zo ja, welke hitters zouden het meest profiteren van een dergelijke verandering?

we weten dat vaten bestaan uit LA en EV. Alleen het eerste is echt binnen de controle van een slagman. Hij kan meer spieren aantrekken en de bal harder slaan. Maar dat kunnen we niet echt voorspellen. In plaats daarvan, als we aannemen dat hij meer gaat verheffen, wat meer een kwestie van bewuste keuze is, zal hij dan succesvol zijn nadat hij dat gedaan heeft? Misschien heeft een speler een verklaring afgelegd aan de media dat hij van plan is om de bal te verheffen. Zou hij daar baat bij hebben? Om al deze vragen te beantwoorden, heb ik bepaald welke niet-LA Statcast metrics het meest voorspellend waren voor Brls/BBE% en Brls/PA% door, je raadt het al, lineaire en meerdere regressies uit te voeren.

in plaats van elke grafiek te maken en de lengte van dit artikel aanzienlijk te verlengen, besloot ik gewoon de r^2 waarden in een uitgebreide tabel te zetten. Dienovereenkomstig, kunt u zien dat EV op FB/LD is de meest voorspellende van Brls / BBE % en Brls/PA%. Zozeer zelfs dat het toevoegen in HH% of gemiddelde EV geen waarde aan het monster leent en, in sommige gevallen, het eigenlijk minder voorspellend maakt. Dit resultaat maakt me duizelig ook omdat EV op FB/LD is niet alleen voorspellend, maar het is ook de plakkerigste van onze Statcast metrics. Het is een geweldige manier om uw swing-change breakouts te vinden.

Dit is het meest waardevol in het hypothetische scenario waarin een hitter een uitstekende EV handhaafde op FB / LD, maar niet veel fly balls en line drives heeft geraakt, waardoor hij ruimte heeft om te verbeteren. Maar in plaats daarvan is alles het beste geïllustreerd door een voorbeeld.

Neem bijvoorbeeld Josh Bell. Ik ging het seizoen in, deels omdat hij niet verheffend was. Vorig jaar was zijn gemiddelde LA 9 graden, en hij raakte slechts 34,6% vliegballen en 41.7% gemalen ballen, die zijn Brls/BBE% beperkt tot 7% (151e totaal van degenen met 150 BBEs) en zijn Brls/PA% tot 4,8% (150e totaal). Dit ondanks zijn veel betere EV op FB / LD van 94,2 mph (84e overall). Dit jaar, lijkt het erop dat hij een gezamenlijke inspanning doet om te verheffen, en gezien zijn latente kracht, kan het een uitbraak ondersteunen. Hij raakt 37,5% vliegballen en 41,7% grondballen tot een gemiddelde LA van 12 graden. Wees niet verbaasd als zijn vat tarieven blijven verhoogd op 14.6 Brls / BBE% en 10.3 Brls / PA% (en, op zijn beurt, zo kon zijn 16.7 HR / FB% en .276 ISO).

dus, als we weten wie er meer gaat verheffen, kunnen we gemakkelijk het kaf van het koren scheiden. Het is niet door te kijken naar hun HH % of gemiddelde EV; in plaats daarvan, gewoon een snelle blik op hun EV op FB/LD.

conclusie

hopelijk zullen mensen op de juiste manier Statcast metrics gaan gebruiken. Als je een fantasy baseball analist citaat van een hitter ‘ s Hard%, HH%, of gemiddelde EV om een power breakout suggereren, controleer zijn vat tarieven. Je weet dat ze voorspellend zijn voor HR / FB% en ISO, en dat ze plakkerig zijn. Controleer dan zijn EV op FB / LD. Je weet dat dat meer kan voorspellen in de energie-afdeling als hij begint te verheffen, en dat het ook blijft hangen. Laten we er niet van uitgaan dat metrics als Hard%, HH%, of gemiddelde EV het beste zijn omdat we er toegang toe hebben.

Dit is nog maar het begin. In Deel II zal ik de relatieve waarde van Statcast metrics vergelijken met BABIP. Blijf kijken voor meer.

aanbevolen Afbeelding door Justin Paradis (@freshmeatcomm op Twitter)